YOLOv5 与 DAMO-YOLO#

实时计算机视觉领域不断发展，研究人员和工程师持续探索准确率、速度和易用性之间的最佳平衡。塑造这一发展历程的两款重要模型是 Ultralytics YOLOv5 和阿里巴巴的 DAMO-YOLO。

本指南将深入分析它们的架构、性能指标和训练方法，帮助你为下一次部署选择合适的模型。

模型背景#

在深入探讨技术细节之前，先了解这两款重要视觉模型的起源和核心设计理念很有必要。

Ultralytics YOLOv5#

由 Glenn Jocher 和 Ultralytics 团队开发的 YOLOv5 自发布以来已成为行业标准。它原生基于 PyTorch 框架构建，开箱即提供流畅的开发者体验和强大的部署能力。

作者： Glenn Jocher
组织： Ultralytics
日期： 2020-06-26
GitHub： https://github.com/ultralytics/yolov5
文档：Ultralytics YOLOv5 文档

YOLOv5

ultralytics

public5

Released June 2020. The foundational PyTorch implementation, battle-tested across millions of deployments. Ideal for teams with existing YOLOv5 workflows.

25 models359.3 MBMay 21, 2026

yolov5luyolov5xuyolov5nu+2

DAMO-YOLO#

DAMO-YOLO 由阿里巴巴集团的研究人员创建，重点关注神经网络架构搜索（NAS）和先进的蒸馏技术。它突破了针对特定硬件优化性能的理论极限，主要面向需要极致调优的研究和边缘计算场景。

作者： Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun
组织： 阿里巴巴集团
日期： 2022-11-23
Arxiv： https://arxiv.org/abs/2211.15444v2
GitHub： https://github.com/tinyvision/DAMO-YOLO

进一步了解 DAMO-YOLO

架构创新#

两种模型都运用了独特的结构理念来实现实时性能，但采用的方法有很大不同。

YOLOv5：稳定性和通用性#

YOLOv5 使用改进的 CSP（跨阶段部分连接）主干网络，并搭配 PANet（路径聚合网络）颈部结构。这种结构效率很高，在训练和推理期间都能最大限度地减少 CUDA 内存使用。

YOLOv5 最大的优势之一是其跨任务通用性。除了边界框预测，它还提供专门用于图像分割和图像分类的架构，让开发者能够围绕单一、统一的框架构建视觉流水线。

DAMO-YOLO：自动化架构搜索#

DAMO-YOLO 的核心创新是其 MAE-NAS 主干网络。阿里巴巴团队通过最大熵引导搜索，发现了能够动态平衡检测准确率与推理速度的主干网络。

此外，它还采用 Efficient RepGFPN 颈部结构来改进特征融合，这对于卫星图像分析中常见的复杂尺度变化尤为有益。其 ZeroHead 设计简化了最终预测层以降低延迟，但这种复杂的结构生成方式可能使架构变得僵化，也更难根据自定义应用进行修改。

内存需求

基于 Transformer 的架构通常面临 VRAM 占用过高的问题。YOLOv5 和 DAMO-YOLO 都采用高效的卷积设计来降低内存占用，但 Ultralytics 模型针对消费级 GPU 进行了显著优化，因此对独立研究人员和初创公司来说更容易上手。

性能与指标#

评估实时目标检测器时，需要综合考量 mAP（平均精度均值）、推理速度和模型参数规模。

模型	尺寸 ^(像素)	mAP^{验证集 50-95}	速度 ^{CPU ONNX (毫秒)}	速度 ^{T4 TensorRT10 （ms）}	参数 ^(M)	FLOPs ^(B)
YOLOv5n	640	28.0	-	1.12	1.9	4.5
YOLOv5s	640	37.4	-	1.92	7.2	16.5
YOLOv5m	640	45.4	-	4.03	21.2	49.0
YOLOv5l	640	49.0	-	6.61	46.5	109.1
YOLOv5x	640	50.7	-	11.89	86.7	205.7

DAMO-YOLOt	640	42.0	-	2.32	8.5	18.1
DAMO-YOLOs	640	46.0	-	3.45	16.3	37.8
DAMO-YOLOm	640	49.2	-	5.09	28.2	61.8
DAMO-YOLOl	640	50.8	-	7.18	42.1	97.3

DAMO-YOLO 在某些参数量配置下的 mAP 得分颇具竞争力，但 YOLOv5 始终能实现出色的 TensorRT 推理速度，且 nano 和 small 配置的参数量极低。这种性能平衡确保 YOLOv5 能够在各种边缘部署场景中高效运行。

训练效率与生态系统#

模型的理论准确率只有在实际应用中可行才有意义。这正是两种模型差异显著的地方。

蒸馏的复杂性#

DAMO-YOLO 严重依赖多阶段训练方法。它将 AlignedOTA 标签分配与教师-学生知识蒸馏技术结合起来。虽然这种方法能够充分发挥学生模型的性能，但需要先训练一个庞大的教师模型。这大幅增加了计算时间、能源成本和硬件需求，成为敏捷 ML 团队的瓶颈。

Ultralytics 的优势：易于使用#

相较之下，Ultralytics 生态系统以直观的 API 和训练效率享誉全球。在活跃开发和庞大开源社区的支持下，开发者能够无缝地训练、验证和部署模型。

from ultralytics import YOLO

# 加载预训练的 YOLOv5 模型
model = YOLO("yolov5su.pt")  # YOLOv5u：适用于 ultralytics 软件包的无锚框 YOLOv5 权重

# 轻松使用自定义数据集训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 导出为 ONNX 格式以供部署
model.export(format="onnx")

Ultralytics 还内置了通过 experiment tracking 工具进行实验跟踪的支持，例如 Weights & Biases 和 Comet ML，从而打造流畅无阻的工作流。

实际应用场景#

YOLOv5 非常适合快节奏的生产环境。它易于导出，是智慧零售分析、高速制造缺陷检测以及通过 CoreML 集成到移动应用中的首选。
DAMO-YOLO 非常适合严格的学术基准测试，以及拥有充足计算资源、能够执行长时间蒸馏训练的场景。这类训练旨在针对特定固定硬件目标，将 mAP 提升哪怕一点点。

用例与建议#

选择 YOLOv5 还是 DAMO-YOLO，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv5#

YOLOv5 适合以下场景：

经过验证的生产系统： 现有部署重视 YOLOv5 长期积累的稳定记录、详尽文档和庞大社区支持。
资源受限的训练： GPU 资源有限的环境中，YOLOv5 高效的训练流水线和较低的内存需求具有优势。
广泛支持导出格式： 需要跨多种格式部署的项目，包括 ONNX、TensorRT、CoreML和 LiteRT。

何时选择 DAMO-YOLO#

推荐在以下情况下使用 DAMO-YOLO：

高吞吐量视频分析：在固定的 NVIDIA GPU 基础设施上处理高帧率视频流，且主要关注批量大小为 1 时的吞吐量。
工业制造生产线：在专用硬件上对 GPU 延迟有严格要求的场景，例如装配线上的实时质量检测。
神经架构搜索研究：研究自动架构搜索 (MAE-NAS) 和高效重参数化骨干网络对检测性能的影响。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

新一代进化：YOLO26#

如果你要启动新项目，强烈建议着眼未来。Ultralytics YOLO26 在 YOLOv5 的坚实基础上融入了革命性进展，重新定义了视觉 AI 的尖端水平。

为什么要升级到 YOLO26？

YOLO26 一经发布便广受赞誉，它原生支持端到端处理。它采用端到端无 NMS 设计（nms=False），跳过非极大值抑制后处理，使部署速度大幅提升、流程更加简单。

YOLO26 的主要创新包括：

MuSGD 优化器：受 LLM 训练创新启发，这种结合 SGD 和 Muon 的混合优化器可确保训练高度稳定并快速收敛。
CPU 推理速度最高提升 43%：针对边缘计算进行了深度优化，非常适合在没有专用 GPU 的情况下运行的 IoT 设备。
ProgLoss + STAL：先进的损失函数可大幅提升小目标识别能力，这对无人机航拍图像和机器人领域至关重要。
针对特定任务的改进：从用于有向边界框（OBB）的专用角度损失，到用于准确姿态估计的残差对数似然估计（RLE），YOLO26 能够轻松应对复杂领域。

结论#

YOLOv5 和 DAMO-YOLO 都在目标检测发展史上占有重要地位。DAMO-YOLO 仍是神经网络架构搜索和蒸馏领域的一个重要研究案例。然而，对于重视维护良好的生态系统、易用性和快速投入生产的组织而言，Ultralytics 模型依然无可匹敌。

我们强烈建议你使用 Ultralytics Platform 来标注、训练和部署新一代模型（例如 YOLO26），确保你的计算机视觉流水线面向未来、运行快速且准确度出色。

Get Started